इंटरनेट^(Internet) से जुड़े उपकरणों को स्मार्ट डिवाइस कहा जाता है। लगभग इंटरनेट^(Internet) से जुड़ी हर चीज को स्मार्ट डिवाइस^{(smart device)} के रूप में जाना जाता है । इस संदर्भ में, वह कोड जो उपकरणों को स्मार्ट बनाता है -^{(SMARTER – )} ताकि यह न्यूनतम या बिना किसी मानवीय हस्तक्षेप के काम कर सके - आर्टिफिशियल इंटेलिजेंस^{(Artificial Intelligence)} (एआई) पर आधारित कहा जा सकता है । अन्य दो, अर्थात्: मशीन लर्निंग^{(Machine Learning)} (एमएल), और डीप लर्निंग^{(Deep Learning)} (डीएल), स्मार्ट उपकरणों में अधिक क्षमता लाने के लिए बनाए गए विभिन्न प्रकार के एल्गोरिदम हैं। आइए एआई बनाम एमएल बनाम डीएल^{(AI vs ML vs DL )} को नीचे विस्तार से देखें कि वे क्या करते हैं और वे एआई से कैसे जुड़े हैं।

ML & DL के संबंध में आर्टिफिशियल इंटेलिजेंस क्या है

एआई को मशीन लर्निंग^{(Machine Learning)} (एमएल) प्रक्रियाओं और डीप लर्निंग^{(Deep Learning)} (डीएल) प्रक्रियाओं का सुपरसेट कहा जा सकता है। एआई आमतौर पर एक छत्र शब्द है जिसका उपयोग एमएल और डीएल के लिए किया जाता है। डीप लर्निंग फिर से ^{(Deep Learning)}मशीन लर्निंग^{(Machine Learning)} का एक सबसेट है (ऊपर चित्र देखें)।

कुछ लोगों का तर्क है कि मशीन लर्निंग^{(Machine Learning)} अब यूनिवर्सल एआई का हिस्सा नहीं है। वे कहते हैं कि एमएल अपने आप में एक पूर्ण विज्ञान है और इस प्रकार, इसे आर्टिफिशियल इंटेलिजेंस^{(Artificial Intelligence)} के संदर्भ में कहने की आवश्यकता नहीं है । एआई डेटा पर पनपता है: बिग डेटा^{(Big Data)} । यह जितना अधिक डेटा की खपत करता है, उतना ही सटीक होता है। ऐसा नहीं है कि यह हमेशा सही भविष्यवाणी करेगा। झूठे झंडे भी होंगे। एआई इन गलतियों पर खुद को प्रशिक्षित करता है और मानव पर्यवेक्षण के साथ या उसके बिना जो करना चाहिए, उसमें बेहतर हो जाता है।

आर्टिफिशियल इंटेलिजेंस को ठीक से परिभाषित नहीं किया जा सकता है क्योंकि यह लगभग सभी उद्योगों में प्रवेश कर चुका है और कई प्रकार की (व्यवसाय) प्रक्रियाओं और एल्गोरिदम को प्रभावित करता है। हम कह सकते हैं कि आर्टिफिशियल इंटेलिजेंस ^{(Intelligence)}डेटा साइंस^{(Data Science)} (DS: Big Data ) पर आधारित है और इसमें मशीन लर्निंग^{(Machine Learning)} का विशिष्ट भाग शामिल है। इसी तरह^(Likewise) , डीप लर्निंग ^{(Deep Learning)}मशीन लर्निंग^{(Machine Learning)} का एक अलग हिस्सा है ।

जिस तरह से आईटी बाजार झुक रहा है, भविष्य में कनेक्टेड स्मार्ट उपकरणों का प्रभुत्व होगा, जिसे इंटरनेट ऑफ थिंग्स (IoT)^{(Internet of Things (IoT))} कहा जाता है । स्मार्ट^(Smart) उपकरणों का अर्थ है कृत्रिम बुद्धिमत्ता: प्रत्यक्ष या अप्रत्यक्ष रूप से। आप अपने दैनिक जीवन में पहले से ही कई कार्यों में कृत्रिम बुद्धिमत्ता (AI) का उपयोग कर रहे हैं। उदाहरण के लिए, एक स्मार्टफोन कीबोर्ड पर टाइप करना जो "शब्द सुझाव" पर बेहतर होता रहता है। अन्य उदाहरणों में जहां आप अनजाने में आर्टिफिशियल इंटेलिजेंस^{(Artificial Intelligence)} से निपट रहे हैं, इंटरनेट^(Internet) , ऑनलाइन शॉपिंग, और निश्चित रूप से, हमेशा-स्मार्ट जीमेल^(Gmail) और आउटलुक^(Outlook) ईमेल इनबॉक्स में चीजों की खोज कर रहे हैं ।

मशीन लर्निंग क्या है

मशीन लर्निंग ^(Learning)आर्टिफिशियल इंटेलिजेंस^{(Artificial Intelligence)} का एक क्षेत्र है जिसका उद्देश्य मशीन (या कंप्यूटर, या एक सॉफ्टवेयर) को बिना ज्यादा प्रोग्रामिंग के खुद को सीखना और प्रशिक्षित करना है। ऐसे उपकरणों को कम प्रोग्रामिंग की आवश्यकता होती है क्योंकि वे कार्यों को पूरा करने के लिए मानवीय तरीकों को लागू करते हैं, जिसमें बेहतर प्रदर्शन करना सीखना भी शामिल है। मूल रूप^(Basically) से, ML का अर्थ है कंप्यूटर/डिवाइस/सॉफ्टवेयर की थोड़ी प्रोग्रामिंग करना और इसे अपने आप सीखने की अनुमति देना।

मशीन लर्निंग^{(Machine Learning)} की सुविधा के लिए कई तरीके हैं । उनमें से, निम्नलिखित तीन का व्यापक रूप से उपयोग किया जाता है:

1. पर्यवेक्षित,
2. पर्यवेक्षित, और
3. सुदृढीकरण सीखना।

मशीन लर्निंग^{(Machine Learning)} में पर्यवेक्षित शिक्षण

इस अर्थ में पर्यवेक्षण किया जाता है कि प्रोग्रामर पहले मशीन को लेबल किए गए डेटा और पहले से संसाधित उत्तर प्रदान करते हैं। यहां, लेबल का अर्थ डेटाबेस या स्प्रैडशीट में पंक्ति या स्तंभ नामों से है। इस तरह के डेटा के विशाल सेट को कंप्यूटर को फीड करने के बाद, यह आगे के डेटा सेट का विश्लेषण करने और अपने दम पर परिणाम प्रदान करने के लिए तैयार है। इसका मतलब है कि आपने कंप्यूटर को सिखाया कि उसे खिलाए गए डेटा का विश्लेषण कैसे किया जाए।

आमतौर पर, 80/20 नियम का उपयोग करके इसकी पुष्टि की जाती है। डेटा के विशाल^(Huge) सेट एक कंप्यूटर को फीड किए जाते हैं जो उत्तरों के पीछे के तर्क को जानने की कोशिश करता है और सीखता है। किसी घटना का 80 प्रतिशत डेटा उत्तर के साथ कंप्यूटर को फीड किया जाता है। शेष 20 प्रतिशत को बिना उत्तर के यह देखने के लिए खिलाया जाता है कि क्या कंप्यूटर उचित परिणाम के साथ आ सकता है। इस 20 प्रतिशत का उपयोग क्रॉस-चेकिंग के लिए किया जाता है यह देखने के लिए कि कंप्यूटर (मशीन) कैसे सीख रहा है।

पर्यवेक्षित मशीन लर्निंग

अनसुपरवाइज्ड लर्निंग तब होती है जब मशीन को यादृच्छिक डेटा सेट के साथ खिलाया जाता है जो लेबल नहीं होते हैं, और क्रम में नहीं होते हैं। मशीन को यह पता लगाना है कि परिणाम कैसे उत्पन्न किया जाए। उदाहरण के लिए, यदि आप इसे विभिन्न रंगों के सॉफ्टबॉल पेश करते हैं, तो इसे रंगों के आधार पर वर्गीकृत करने में सक्षम होना चाहिए। इस प्रकार, भविष्य में, जब मशीन को एक नई सॉफ्टबॉल के साथ प्रस्तुत किया जाता है, तो वह अपने डेटाबेस में पहले से मौजूद लेबल के साथ गेंद की पहचान कर सकती है। इस पद्धति में कोई प्रशिक्षण डेटा नहीं है। मशीन को अपने आप सीखना होगा।

सुदृढीकरण सीखना

निर्णयों का क्रम बनाने वाली मशीनें इस श्रेणी में आती हैं। फिर एक इनाम प्रणाली है। यदि प्रोग्रामर जो कुछ भी चाहता है उसमें मशीन अच्छा करती है, तो उसे इनाम मिलता है। मशीन को इस तरह से क्रमादेशित किया गया है कि वह अधिकतम पुरस्कारों के लिए तरसती है। और इसे प्राप्त करने के लिए, यह अलग-अलग मामलों में अलग-अलग एल्गोरिदम तैयार करके समस्याओं को हल करता है। इसका मतलब है कि एआई कंप्यूटर परिणामों के साथ आने के लिए परीक्षण और त्रुटि विधियों का उपयोग करता है।

उदाहरण के लिए, यदि मशीन एक सेल्फ-ड्राइविंग वाहन है, तो उसे सड़क पर अपने स्वयं के परिदृश्य बनाने होंगे। ऐसा कोई तरीका नहीं है जिससे प्रोग्रामर हर कदम पर प्रोग्राम कर सके क्योंकि जब मशीन सड़क पर होती है तो वह सभी संभावनाओं के बारे में नहीं सोच सकता है। यहीं से रीनफोर्समेंट लर्निंग^{(Reinforcement Learning)} आती है। आप इसे ट्रायल एंड एरर एआई भी कह सकते हैं।

डीप लर्निंग मशीन लर्निंग से कैसे अलग है^{(Machine Learning)}

डीप लर्निंग^{(Deep Learning)} अधिक जटिल कार्यों के लिए है। डीप लर्निंग ^{(Deep Learning)}मशीन लर्निंग^{(Machine Learning)} का एक सबसेट है । केवल इतना है कि इसमें अधिक तंत्रिका नेटवर्क होते हैं जो मशीन को सीखने में मदद करते हैं। मानव निर्मित^(Manmade) तंत्रिका नेटवर्क नए नहीं हैं। दुनिया भर में लैब्स^(Labs) तंत्रिका नेटवर्क बनाने और सुधारने की कोशिश कर रहे हैं ताकि मशीनें सूचित निर्णय ले सकें। आपने सोफिया के बारे में सुना होगा, जो ^(Sophia)सऊदी^(Saudi) में एक ह्यूमनॉइड थी जिसे नियमित नागरिकता प्रदान की गई थी। तंत्रिका नेटवर्क मानव मस्तिष्क की तरह हैं लेकिन मस्तिष्क की तरह परिष्कृत नहीं हैं।

कुछ अच्छे नेटवर्क हैं जो बिना पर्यवेक्षित गहन शिक्षण प्रदान करते हैं। आप कह सकते हैं कि डीप लर्निंग^{(Deep Learning)} अधिक तंत्रिका नेटवर्क है जो मानव मस्तिष्क की नकल करता है। फिर भी, पर्याप्त नमूना डेटा के साथ, डीप लर्निंग^{(Deep Learning)} एल्गोरिदम का उपयोग नमूना डेटा से विवरण लेने के लिए किया जा सकता है। उदाहरण के लिए, एक इमेज प्रोसेसर डीएल मशीन के साथ, मशीन से पूछे जाने वाले प्रश्नों के अनुसार भावनाओं को बदलते हुए मानवीय चेहरे बनाना आसान होता है।

उपरोक्त आसान भाषा में एआई बनाम एमआई बनाम डीएल की व्याख्या करता है। एआई और एमएल विशाल क्षेत्र हैं - जो अभी खुल रहे हैं और उनमें जबरदस्त क्षमता है। यही कारण है कि कुछ लोग आर्टिफिशियल इंटेलिजेंस^{(Artificial Intelligence)} में मशीन लर्निंग^{(Machine Learning)} और डीप लर्निंग^{(Deep Learning)} के इस्तेमाल के खिलाफ हैं ।

What are Machine Learning and Deep Learning in Artificial Intelligence

Devices connectеd to the Intеrnet are called ѕmart devices. Pretty much everythіng relatеd to the Internet is known as a smart device. In this context, the code that makes the devices SMARTER – so that it can work with minimal or without any human intervention – can be said to be based on Artificial Intelligence (AI). The other two, namely: Machine Learning (ML), and Deep Learning (DL), are different types of algorithms built to bring more capabilities to the smart devices. Let’s see AI vs ML vs DL in detail below to understand what they do and how they are connected to AI.

What is Artificial Intelligence with respect to ML & DL

AI can be called a superset of Machine Learning (ML) processes, and Deep Learning (DL) processes. AI usually is an umbrella term that is used for ML and DL. Deep Learning is again, a subset of Machine Learning (see image above).

Some argue that Machine Learning is no more a part of the universal AI. They say ML is a complete science in its own right and thus, need not be called with reference to Artificial Intelligence. AI thrives on data: Big Data. The more data it consumes, the more accurate it is. It is not that it will always predict correctly. There will be false flags as well. The AI trains itself on these mistakes and becomes better at what it is supposed to do – with or without human supervision.

Artificial Intelligence cannot be defined properly as it has penetrated into almost all industries and affects way too many types of (business) processes and algorithms. We can say that Artificial Intelligence is based on Data Science (DS: Big Data) and contains Machine Learning as its distinct part. Likewise, Deep Learning is a distinct part of Machine Learning.

The way the IT market is tilting, the future would be dominated with connected smart devices, called the Internet of Things (IoT). Smart devices mean artificial intelligence: directly or indirectly. You are already using artificial intelligence (AI) in many tasks in your daily life. For example, typing on a smartphone keyboard that keeps on getting better on “words suggestion”. Among other examples where you unknowingly are dealing with Artificial Intelligence are searching for things on the Internet, online shopping, and of course, the ever-smart Gmail and Outlook email inboxes.

What is Machine Learning

Machine Learning is a field of Artificial Intelligence where the aim is to make a machine (or computer, or a software) learn and train itself without much programming. Such devices need less programming as they apply human methods to complete tasks, including learning how to perform better. Basically, ML means programming a computer/device/software a bit and allowing it to learn on its own.

There are several methods to facilitate Machine Learning. Of them, the following three are used extensively:

1. Supervised,
2. Unsupervised, and
3. Reinforcement learning.

Supervised Learning in Machine Learning

Supervised in a sense that programmers first provide the machine with labeled data and already processed answers. Here, labels mean the row or column names in a database or spreadsheet. After feeding huge sets of such data to the computer, it is ready to analyze further data sets and provide results on its own. That means you taught the computer how to analyze the data fed to it.

Usually, it is confirmed using the 80/20 rule. Huge sets of data are fed to a computer that tries and learns the logic behind the answers. 80 percent of data from an event is fed to the computer along with answers. The remaining 20 percent is fed without answers to see if the computer can come up with proper results. This 20 percent is used for cross-checking to see how the computer (machine) is learning.

Unsupervised Machine Learning

Unsupervised Learning happens when the machine is fed with random data sets that are not labeled, and not in order. The machine has to figure out how to produce the results. For example, if you offer it softballs of different colors, it should be able to categorize by colors. Thus, in the future, when the machine is presented with a new softball, it can identify the ball with already present labels in its database. There is no training data in this method. The machine has to learn on its own.

Reinforcement Learning

Machines that can make a sequence of decisions fall into this category. Then there is a reward system. If the machine does good at whatever the programmer wants, it gets a reward. The machine is programmed in a way that it craves maximum rewards. And to get it, it solves problems by devising different algorithms in different cases. That means the AI computer uses trial and error methods to come up with results.

For example, if the machine is a self-driving vehicle, it has to create its own scenarios on road. There is no way a programmer can program every step as he or she can’t think of all the possibilities when the machine is on the road. That is where Reinforcement Learning comes in. You can also call it trial and error AI.

How is Deep Learning different from Machine Learning

Deep Learning is for more complicated tasks. Deep Learning is a subset of Machine Learning. Only that it contains more neural networks that help the machine in learning. Manmade neural networks are not new. Labs across the world are trying to build and improve neural networks so that the machines can make informed decisions. You must have heard of Sophia, a humanoid in Saudi that was provided regular citizenship. Neural networks are like human brains but not as sophisticated as the brain.

There are some good networks that provide for unsupervised deep learning. You can say that Deep Learning is more neural networks that imitate the human brain. Still, with enough sample data, the Deep Learning algorithms can be used to pick up details from sample data. For example, with an image processor DL machine, it is easier to create human faces with emotions changing according to the questions the machine is asked.

The above explains AI vs MI vs DL in easier language. AI and ML are vast fields – that are just opening up and have tremendous potential. This is the reason some people are against using Machine Learning and Deep Learning in Artificial Intelligence.

Related posts

• एसएमएस आयोजक: मशीन लर्निंग द्वारा संचालित एसएमएस आवेदन

• आर्टिफिशियल इंटेलिजेंस के बारे में तथ्य, मिथक, बहस

• डीप लर्निंग और न्यूरल नेटवर्क क्या है?

• विंडोज 10 के लिए बेस्ट फ्री आर्टिफिशियल इंटेलिजेंस सॉफ्टवेयर

• विंडोज़ पर डब्ल्यूएएमपी का उपयोग करके ड्रूपल कैसे स्थापित करें

• डिस्कस कमेंट बॉक्स किसी वेबसाइट के लिए लोड या प्रदर्शित नहीं हो रहा है

• वीडियो कॉन्फ्रेंसिंग शिष्टाचार, युक्तियाँ और नियम जिनका आपको पालन करने की आवश्यकता है

• Automate.io एक मुफ़्त ऑटोमेशन टूल और IFTTT विकल्प है

• बिग डेटा क्या है - उदाहरण के साथ एक सरल व्याख्या

• लिब्रे ऑफिस के साथ एक दस्तावेज़ बनाने के लिए टेम्पलेट का उपयोग कैसे करें

• वह खाता किसी मिक्सर खाते से लिंक नहीं है

• ऑनलाइन प्रतिष्ठा प्रबंधन युक्तियाँ, उपकरण और सेवाएँ

• ऑनलाइन खरीदने के लिए सर्वश्रेष्ठ लैपटॉप टेबल

• प्लेक्स सर्वर और सर्वर सेटिंग्स से लॉक आउट? यहाँ फिक्स है!

• डेटा एनालिटिक्स क्या है और इसका उपयोग किस लिए किया जाता है

• विंडोज 11/10 में स्व-हस्ताक्षरित एसएसएल प्रमाणपत्र कैसे बनाएं

• नौ नॉस्टैल्जिक टेक साउंड्स जो आपने शायद वर्षों में नहीं सुने होंगे

• पुरुषों और महिलाओं के लिए सर्वश्रेष्ठ लैपटॉप बैकपैक्स

• लिब्रे ऑफिस के साथ पीडीएफ दस्तावेजों को पासवर्ड-सुरक्षित और सुरक्षित कैसे करें

• लैपटॉप के लिए 10 सर्वश्रेष्ठ यूएसबी एलईडी लैंप